Développez l'IA plus facilement avec la technologie autoML
Frank Hutter, directeur du laboratoire d'apprentissage automatique de l'université de Fribourg en Allemagne, a déclaré que le résultat de toutes ces décisions humaines est que les modèles complexes finissent par être « conçus de manière intuitive » plutôt que systématiquement.
Un domaine en pleine croissance appelé apprentissage automatique (autoML) vise à éliminer ces incertitudes. L’idée est de laisser les algorithmes prendre le relais des décisions que les chercheurs doivent actuellement prendre lors de la conception des modèles. À terme, ces technologies pourraient rendre l’apprentissage automatique plus accessible.
Bien que l'apprentissage automatique automatique existe depuis près d'une décennie, les chercheurs travaillent toujours à l'améliorer. Une nouvelle conférence qui se déroule aujourd'hui à Baltimore présente les efforts visant à améliorer la précision et à rationaliser les performances d'autoML.
Le potentiel d’autoML pour simplifier l’apprentissage automatique suscite un vif intérêt. Des entreprises comme Amazon et Google proposent déjà des outils d'apprentissage automatique low-code qui exploitent la technologie autoML. Si ces techniques deviennent plus efficaces, elles pourraient accélérer la recherche et rendre l’apprentissage automatique accessible à un plus grand nombre de personnes.
L'idée est de permettre aux gens de choisir la question qu'ils souhaitent poser, de pointer l'outil autoML dessus et d'obtenir les résultats qu'ils souhaitent.
Cette vision est le "Saint Graal de l'informatique", a déclaré Lars Kotthoff, professeur adjoint d'informatique à l'Université du Wyoming et organisateur de la conférence "Vous spécifiez le problème, l'ordinateur sait comment le résoudre, et c'est tout vous. " Mais d'abord, les chercheurs doivent trouver comment rendre ces techniques plus efficaces en termes de temps et d'énergie.
Que peut résoudre l’apprentissage automatique automatique ?
À première vue, le concept d'autoML peut sembler redondant : après tout, l'apprentissage automatique consiste déjà à automatiser le processus d'extraction d'informations à partir des données. Mais comme les algorithmes AutoML fonctionnent à un niveau d’abstraction supérieur aux modèles d’apprentissage automatique sous-jacents, en s’appuyant uniquement sur les résultats de ces modèles à titre indicatif, ils permettent d’économiser du temps et des efforts de calcul.
Les chercheurs peuvent appliquer la technologie autoML à des modèles pré-entraînés pour obtenir de nouvelles informations sans gaspiller de puissance de calcul en dupliquant des recherches existantes.
Par exemple, Mehdi Bahrami, chercheur au Fujitsu Research Institute aux États-Unis, et ses co-auteurs ont présenté des travaux récents sur la façon d'utiliser l'algorithme de tri BERT avec différents modèles pré-entraînés pour s'adapter à de nouveaux objectifs.
BERT-sort est un algorithme qui trouve ce qu'on appelle « l'ordre sémantique » lors de l'entraînement sur un ensemble de données. Par exemple, à partir des données des critiques de films, il sait que les « bons » films sont mieux classés que les « bons » et les « mauvais » films.
Grâce à la technologie autoML, l'ordre sémantique appris peut également être généralisé pour classer les diagnostics de cancer et même les textes en langue étrangère, réduisant ainsi le temps et les calculs.
"BERT nécessite des mois de calcul et coûte très cher, comme 1 million de dollars pour générer le modèle et répéter le processus." Bahrami a déclaré : "Donc, si tout le monde veut faire la même chose, cela coûte cher - ce n'est pas économe en énergie et c'est mauvais." pour la durabilité du monde. "
Malgré les promesses montrées dans ce domaine, les chercheurs recherchent toujours des moyens de rendre la technologie autoML plus efficace sur le plan informatique. Par exemple, avec des méthodes telles que Neural Architecture Search (NAS), dans lesquelles de nombreux modèles différents sont construits et testés pour trouver le meilleur ajustement, l'énergie requise pour réaliser toutes ces itérations peut être importante.
L'apprentissage automatique peut également être appliqué aux algorithmes d'apprentissage automatique qui n'impliquent pas de réseaux de neurones, comme la création de forêts de décisions aléatoires ou la prise en charge de machines vectorielles pour classer les données. Les recherches dans ces domaines sont en cours et il existe déjà de nombreuses bibliothèques de codage disponibles pour les personnes souhaitant intégrer la technologie autoML dans leurs projets.
Hutter a déclaré que la prochaine étape consiste à utiliser autoML pour quantifier l'incertitude et résoudre les problèmes de crédibilité et d'équité dans l'algorithme. Dans cette vision, les critères de fiabilité et d’équité seraient similaires à toute autre contrainte d’apprentissage automatique, telle que l’exactitude. AutoML peut capturer et corriger automatiquement les biais trouvés dans ces algorithmes avant leur publication.
Poursuite des progrès dans la recherche d'architecture neuronale
Mais pour des applications comme l'apprentissage profond, autoML a encore un long chemin à parcourir. Les données utilisées pour entraîner les modèles d'apprentissage profond, telles que les images, les documents et les paroles enregistrées, sont souvent denses et complexes. Son traitement nécessite une énorme puissance de calcul. Le coût et le temps nécessaires à la formation de ces modèles peuvent être prohibitifs pour quiconque, à l'exception des chercheurs travaillant dans de grandes entreprises aux poches bien garnies.
L'une des exigences du concours lors de la conférence est que les participants développent des algorithmes alternatifs économes en énergie pour la recherche d'architecture neuronale. C’est tout un défi car cette technologie est connue pour ses exigences informatiques. Il parcourt automatiquement d'innombrables modèles d'apprentissage profond pour aider les chercheurs à choisir celui qui convient à leur application, mais le processus peut prendre des mois et coûter plus d'un million de dollars.
L'objectif de ces algorithmes alternatifs, appelés agents de recherche d'architecture neuronale à coût nul, est de rendre la recherche d'architecture neuronale plus accessible et plus écologique en réduisant considérablement ses exigences de calcul. Les résultats ne prennent que quelques secondes, et non des mois. Pour l’instant, ces techniques en sont encore aux premiers stades de développement et sont souvent peu fiables, mais les chercheurs en apprentissage automatique prédisent qu’elles ont le potentiel de rendre le processus de sélection de modèles plus efficace.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds



Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
